Previsão da temperatura do aço líquido em uma aciaria a oxigênio utilizando modelos de regressão com aprendizado de máquina.

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Matos, Sabrina Silva de
Orientador(a): Silva, Carlos Antônio da
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Usinas siderúrgicas - aciaria
Metais - efeito da temperatura
Aprendizado do computador
Aprendizado do computador - ensemble - técnica
Link de acesso: http://www.repositorio.ufop.br/jspui/handle/123456789/17964
Resumo: Programa de Pós-Graduação em Engenharia de Materiais. Departamento de Engenharia Metalúrgica, Escola de Minas, Universidade Federal de Ouro Preto.
id UFOP_7bd9b5d3fb2ed1fbd72f5dfa38c41230
oai_identifier_str oai:repositorio.ufop.br:123456789/17964
network_acronym_str UFOP
network_name_str Repositório Institucional da UFOP
repository_id_str
spelling Matos, Sabrina Silva deSilva, Carlos Antônio daLemos, Leandro RochaPeixoto, Johne Jesus MolSilva, Carlos Antônio da2023-12-19T20:06:36Z2023-12-19T20:06:36Z2023MATOS, Sabrina Silva de. Previsão da temperatura do aço líquido em uma aciaria a oxigênio utilizando modelos de regressão com aprendizado de máquina. 2023. 135 f. Dissertação (Mestrado em Engenharia de Materiais) – Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.http://www.repositorio.ufop.br/jspui/handle/123456789/17964Programa de Pós-Graduação em Engenharia de Materiais. Departamento de Engenharia Metalúrgica, Escola de Minas, Universidade Federal de Ouro Preto.O controle da temperatura do aço líquido é uma tarefa fundamental para a garantia da estabilidade operacional em uma aciaria a oxigênio. Desvios das faixas de temperatura especificadas pelos processos estão diretamente associados a falhas de qualidade no produto, aumento de custos, perdas de produção e até mesmo riscos para a segurança operacional da planta. O entendimento e a quantificação das perdas térmicas que ocorrem entre o vazamento do aço do convertedor LD até o lingotamento contínuo são as principais etapas para a previsão da temperatura do aço. Devido à natureza dos processos que ocorrem em uma aciaria, o cálculo das perdas térmicas depende de variáveis altamente dinâmicas, motivando a construção de modelos preditivos para a temperatura. Neste contexto, foram ajustados e avaliados cinco algoritmos de regressão amplamente reconhecidos na literatura para a previsão da temperatura do aço na panela e no distribuidor em uma aciaria a oxigênio. Adicionalmente, um sexto algoritmo, híbrido, que combina elementos de modelos lineares e não-lineares, foi concebido. Os modelos foram desenvolvidos em aderência à metodologia CRISP-DM (Processo Padrão Interindústrias para Mineração de Dados), e avaliados de acordo com duas métricas de acurácia: a raiz do erro quadrático médio (RMSE) e uma métrica personalizada. Os resultados evidenciaram que o método híbrido proposto alcança uma precisão superior em relação aos demais algoritmos testados em ambos os modelos, além disso, apresenta um desempenho adequado para ser implementado na indústria.The temperature control of molten steel is essential to ensure operational stability in an oxygen steelmaking plant. Deviations from specified process temperature ranges are directly associated with product quality failures, increased costs, production losses and even risks to the operational safety of the plant. Understanding and quantifying thermal losses that occur in the operations between the basic oxygen furnace and continuous casting are the main steps for predicting the steel temperature. Due to the nature of the processes in a steelmaking plant, thermal losses calculations are dependent on highly dynamic variables, which motivates the construction of predictive models for the temperature. In this context, five regression algorithms widely recognized in the literature were implemented and assessed for predicting the temperature of molten steel in the ladle and continuous casting tundish. In addition, a hybrid algorithm was also developed, integrating elements from both linear and non-linear models. The implemented models were developed in adherence to the Cross Industry Standard Process for Data Mining methodology (CRISP-DM) and trained on industrial data. Their performance was assessed using root mean squared error (RMSE) and a custom accuracy metric. The results showed that the proposed hybrid method achieves superior accuracy compared to the other implemented algorithms for both models, thus can enhance molten steel prediction in steelmaking plants.http://creativecommons.org/licenses/by/3.0/us/Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 06/11/2023 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante.info:eu-repo/semantics/openAccessUsinas siderúrgicas - aciariaMetais - efeito da temperaturaAprendizado do computadorAprendizado do computador - ensemble - técnicaPrevisão da temperatura do aço líquido em uma aciaria a oxigênio utilizando modelos de regressão com aprendizado de máquina.info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFOPinstname:Universidade Federal de Ouro Preto (UFOP)instacron:UFOPORIGINALDISSERTAÇÃO_PrevisãoTemperaturaAço.pdfDISSERTAÇÃO_PrevisãoTemperaturaAço.pdfapplication/pdf18041199https://www.repositorio.ufop.br/bitstreams/4f0916f5-cb00-444b-8132-a44aa8ec16e8/download3aad950439570848ebdd4a00225f9a34MD51trueAnonymousREADCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8914https://www.repositorio.ufop.br/bitstreams/fe6f518c-4046-45e8-8083-35d5e5ee3579/download2b2ab6ec8a6a222739b9c0e57c635c2eMD52falseAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://www.repositorio.ufop.br/bitstreams/2822294d-9a80-40fd-b78e-8b3be87706b1/download8a4605be74aa9ea9d79846c1fba20a33MD53falseAnonymousREADTHUMBNAILDISSERTAÇÃO_PrevisãoTemperaturaAço.pdf.jpgDISSERTAÇÃO_PrevisãoTemperaturaAço.pdf.jpgGenerated Thumbnailimage/jpeg4222https://www.repositorio.ufop.br/bitstreams/30723162-48b0-4aca-91ff-fb7326aed474/downloadab7d96dd8ce5231c1bb16d6e1a9ab3dcMD54falseAnonymousREAD123456789/179642024-11-10 11:35:29.36http://creativecommons.org/licenses/by/3.0/us/abertoopen.accessoai:repositorio.ufop.br:123456789/17964https://www.repositorio.ufop.brRepositório InstitucionalPUBhttp://www.repositorio.ufop.br/oai/requestrepositorio@ufop.edu.bropendoar:32332024-11-10T14:35:29Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)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
dc.title.pt_BR.fl_str_mv Previsão da temperatura do aço líquido em uma aciaria a oxigênio utilizando modelos de regressão com aprendizado de máquina.
title Previsão da temperatura do aço líquido em uma aciaria a oxigênio utilizando modelos de regressão com aprendizado de máquina.
spellingShingle Previsão da temperatura do aço líquido em uma aciaria a oxigênio utilizando modelos de regressão com aprendizado de máquina.
Matos, Sabrina Silva de
Usinas siderúrgicas - aciaria
Metais - efeito da temperatura
Aprendizado do computador
Aprendizado do computador - ensemble - técnica
title_short Previsão da temperatura do aço líquido em uma aciaria a oxigênio utilizando modelos de regressão com aprendizado de máquina.
title_full Previsão da temperatura do aço líquido em uma aciaria a oxigênio utilizando modelos de regressão com aprendizado de máquina.
title_fullStr Previsão da temperatura do aço líquido em uma aciaria a oxigênio utilizando modelos de regressão com aprendizado de máquina.
title_full_unstemmed Previsão da temperatura do aço líquido em uma aciaria a oxigênio utilizando modelos de regressão com aprendizado de máquina.
title_sort Previsão da temperatura do aço líquido em uma aciaria a oxigênio utilizando modelos de regressão com aprendizado de máquina.
author Matos, Sabrina Silva de
author_facet Matos, Sabrina Silva de
author_role author
dc.contributor.referee.pt_BR.fl_str_mv Silva, Carlos Antônio da
Lemos, Leandro Rocha
Peixoto, Johne Jesus Mol
dc.contributor.author.fl_str_mv Matos, Sabrina Silva de
dc.contributor.advisor1.fl_str_mv Silva, Carlos Antônio da
contributor_str_mv Silva, Carlos Antônio da
dc.subject.por.fl_str_mv Usinas siderúrgicas - aciaria
Metais - efeito da temperatura
Aprendizado do computador
Aprendizado do computador - ensemble - técnica
topic Usinas siderúrgicas - aciaria
Metais - efeito da temperatura
Aprendizado do computador
Aprendizado do computador - ensemble - técnica
description Programa de Pós-Graduação em Engenharia de Materiais. Departamento de Engenharia Metalúrgica, Escola de Minas, Universidade Federal de Ouro Preto.
publishDate 2023
dc.date.accessioned.fl_str_mv 2023-12-19T20:06:36Z
dc.date.available.fl_str_mv 2023-12-19T20:06:36Z
dc.date.issued.fl_str_mv 2023
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv MATOS, Sabrina Silva de. Previsão da temperatura do aço líquido em uma aciaria a oxigênio utilizando modelos de regressão com aprendizado de máquina. 2023. 135 f. Dissertação (Mestrado em Engenharia de Materiais) – Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.
dc.identifier.uri.fl_str_mv http://www.repositorio.ufop.br/jspui/handle/123456789/17964
identifier_str_mv MATOS, Sabrina Silva de. Previsão da temperatura do aço líquido em uma aciaria a oxigênio utilizando modelos de regressão com aprendizado de máquina. 2023. 135 f. Dissertação (Mestrado em Engenharia de Materiais) – Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.
url http://www.repositorio.ufop.br/jspui/handle/123456789/17964
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv http://creativecommons.org/licenses/by/3.0/us/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by/3.0/us/
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFOP
instname:Universidade Federal de Ouro Preto (UFOP)
instacron:UFOP
instname_str Universidade Federal de Ouro Preto (UFOP)
instacron_str UFOP
institution UFOP
reponame_str Repositório Institucional da UFOP
collection Repositório Institucional da UFOP
bitstream.url.fl_str_mv https://www.repositorio.ufop.br/bitstreams/4f0916f5-cb00-444b-8132-a44aa8ec16e8/download
https://www.repositorio.ufop.br/bitstreams/fe6f518c-4046-45e8-8083-35d5e5ee3579/download
https://www.repositorio.ufop.br/bitstreams/2822294d-9a80-40fd-b78e-8b3be87706b1/download
https://www.repositorio.ufop.br/bitstreams/30723162-48b0-4aca-91ff-fb7326aed474/download
bitstream.checksum.fl_str_mv 3aad950439570848ebdd4a00225f9a34
2b2ab6ec8a6a222739b9c0e57c635c2e
8a4605be74aa9ea9d79846c1fba20a33
ab7d96dd8ce5231c1bb16d6e1a9ab3dc
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)
repository.mail.fl_str_mv repositorio@ufop.edu.br
_version_ 1862724388670930944

Registros relacionados